S1000 Seurat分析流程

python，版本3.8及以上，下载地址：https://www.python.org/downloads/
相关模块：numpy，cv2，pandas，seaborn，sys，getopt
R及Rstudio安装，下载地址：https://cran.r-project.org/
相关R包安装：Seurat，dplyr，tibble，ggplot2

1）在Rstudio中打开seurat_for_bmkmanu_S1000.R脚本，修改参数初始化部分的参数
FilePath：输入路径，要求输入目录中必须包括matrix.mtx.gz,genes.tsv.gz(或 features.tsv.gz),和barcodes.tsv.gz文件
outdir：输出路径
res：选择不同的resolution值可以获得不同的cluster数目，值越大cluster数目越多，默认值是0.5
MinCell：过滤参数，细胞数
MinFeatures：过滤参数，基因数

2）运行seurat_for_bmkmanu_S1000.R脚本，得到聚类结果及marker gene
结果文件：
cluster.csv 聚类结果文件
marker_gene.csv marker基因文件
UMAP.pdf/png umap聚类图
t-SNE.pdf/png t-SNE聚类图
markers_heatmap.pdf/png marker gene热图

3）运行bmplot.py脚本，获得聚类图
python bmplot.py -e ./he.tif -p /path/to/posfile/barcodes_pos.tsv.gz -c /path/to/clsuter/file/cluster.csv -o ./out_cluster_st.tif
-e参数指定he图片文件
-p参数指定barcodes_pos.tsv.gz文件
-c参数指定上一步生成的cluster.csv文件
-o参数指定输出聚类图片文件名

结果文件：
out_cluster_st.tif 组织上的聚类图
4）运行marker_gene_Plot_rm_he.py脚本得到每个cluster中marker gene的表达量热图
python marker_gene_Plot_rm_he.py -e ./he.tif -i ./outdir/ -m marker_gene.csv -o outdir
-e参数指定he图片文件
-i参数指定输入目录，目录下必须包含barcodes_pos.tsv.gz，matrix.mtx.gz，features.tsv.gz文件
-m为第2）步得到的marker_gene.csv文件路径
-o为输出目录

n_umi_dist.tif 每个cluster中marker gene的热图